沃梦达 / IT编程 / 数据库 / 正文

scrapy-redis 分布式爬虫 爬取美女图片

数据库
2023-09-12

背景：家里网速慢（500kb左右，哎~），网站都是大图，加载好慢好慢，每每夜深人静访问的时候一等就是一分钟，急啊，索性，直接爬到本地，想怎么看怎么看。爬取目标：https://www.jpxgyw.com （童鞋们自己访问，内容...

背景：

家里网速慢（500kb左右，哎~），网站都是大图，加载好慢好慢，每每夜深人静访问的时候一等就是一分钟，急啊，索性，直接爬到本地，想怎么看怎么看。

爬取目标：https://www.jpxgyw.com （童鞋们自己访问，内容不精彩来打我~）

为什么要用scrapy-redis：

为什么用scrapy-redis，个人原因喜欢只爬取符合自己口味的，这样我只要开启爬虫，碰到喜欢的写真集，把url lpush到redis，爬虫就检测到url并开始运行，这样爬取就比较有针对性。说白了自己最后看的都是精选的，那岂不是美滋滋

爬取思路：

进入一个喜欢的写真集，我们的目标就是将下一页的url和图片的url提取出来

这里我试过，response.css和response.xpath都提取不到图片url，所以我们这里用selenium控制Chrome或PhantomJS获取源码来提取我们想要的url

开干！：

1、环境：

个人环境是python3.6.4+scrapy1.5.1

scrapy环境搭建我就不啰嗦了，pip3安装scrapy，网上教程一大堆。这里多说一句，我们既然爬取的是图片，Pillow这个库是必须要安装的，selenium这个库也需要，还有redis，如果没有，手动pip3 install Pillow/pip3 install selenium/pip3 install redis一下

附上个人虚拟环境库列表：

Scrapy           1.5.1
Pillow           5.2.0
pywin32          223
requests         2.19.1
selenium         3.14.0
redis

2、创建爬虫

我们先创建一个scrapy项目，进入虚拟环境

?scrapy startproject ScrapyRedisTest

下一步就是搞到scrapy-redis的源码，访问github: https://github.com/rmax/scrapy-redis,下载项目

解压后我们把 src 中的scrapy_redis整个复制到刚刚创建的ScrapyRedisTest根目录下

在根目录下的ScrapyRedisTest中创建一个images文件夹作为图片存放文件

这是当前目录结构：

3、编写爬虫

环境搞定了，我们开始写爬虫

编写settings.py文件：（带注释）

童鞋们可以直接复制代码替换自动生成的settings.py

# -*- coding: utf-8 -*-

import os,sys

# Scrapy settings for ScrapyRedisTest ChatRoom
#
# For simplicity, this file contains only settings considered important or
# commonly used. You can find more settings consulting the documentation:
#
#     https://doc.scrapy.org/en/latest/topics/settings.html
#     https://doc.scrapy.org/en/latest/topics/downloader-middleware.html
#     https://doc.scrapy.org/en/latest/topics/spider-middleware.html

BOT_NAME = 'ScrapyRedisTest'

SPIDER_MODULES = ['ScrapyRedisTest.spiders']
NEWSPIDER_MODULE = 'ScrapyRedisTest.spiders'


# Crawl responsibly by identifying yourself (and your website) on the user-agent

#scrapy自带的UserAgentMiddleware需要设置的参数，我们这里设置一个chrome的UserAgent
USER_AGENT = "Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/60.0.3112.90 Safari/537.36"

# Obey robots.txt rules
ROBOTSTXT_OBEY = False          #不遵循ROBOT协议

# Configure maximum concurrent requests performed by Scrapy (default: 16)
#CONCURRENT_REQUESTS = 32

# Configure a delay for requests for the same website (default: 0)
# See https://doc.scrapy.org/en/latest/topics/settings.html#download-delay
# See also autothrottle settings and docs
#DOWNLOAD_DELAY = 3
# The download delay setting will honor only one of:
#CONCURRENT_REQUESTS_PER_DOMAIN = 16
#CONCURRENT_REQUESTS_PER_IP = 16

# Disable cookies (enabled by default)
#COOKIES_ENABLED = False

# Disable Telnet Console (enabled by default)
#TELNETCONSOLE_ENABLED = False

# Override the default request headers:
#DEFAULT_REQUEST_HEADERS = {
#   'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
#   'Accept-Language': 'en',
#}

# Enable or disable spider middlewares
# See https://doc.scrapy.org/en/latest/topics/spider-middleware.html
#SPIDER_MIDDLEWARES = {
#    'ScrapyRedisTest.middlewares.ScrapyredistestSpiderMiddleware': 543,
#}
SCHEDULER = "scrapy_redis.scheduler.Scheduler"                  #格式：scrapy-redis调度器替换成scrapy_redis的
DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter"      #格式：scrapy-redis去重器替换成scrapy_redis的
#ITEM_PIPELINES = {
#     'scrapy_redis.pipelines.RedisPipeline': 300,
#}

BASE_DIR=os.path.dirname(os.path.abspath(os.path.dirname(__file__)))
sys.path.insert(0,os.path.join(BASE_DIR,'ScrapyRedisTest'))

# Enable or disable downloader middlewares
# See https://doc.scrapy.org/en/latest/topics/downloader-middleware.html
#DOWNLOADER_MIDDLEWARES = {
#    'ScrapyRedisTest.middlewares.ScrapyredistestDownloaderMiddleware': 543,
#}

# Enable or disable extensions
# See https://doc.scrapy.org/en/latest/topics/extensions.html
#EXTENSIONS = {
#    'scrapy.extensions.telnet.TelnetConsole': None,
#}

# Configure item pipelines
# See https://doc.scrapy.org/en/latest/topics/item-pipeline.html
#ITEM_PIPELINES = {
#    'ScrapyRedisTest.pipelines.ScrapyredistestPipeline': 300,
#}
IMAGES_URLS_FIELD="front_image_url"                     #scrapy 自带的 ImagesPipeline根据这个字段判断从哪个item下载图片
project_dir=os.path.abspath(os.path.dirname(__file__))
IMAGES_STORE=os.path.join(project_dir,'images')         #下载的图片保存在哪个文件夹

# Enable and configure the AutoThrottle extension (disabled by default)
# See https://doc.scrapy.org/en/latest/topics/autothrottle.html
AUTOTHROTTLE_ENABLED = True                             #scrapy会自动帮我们调整下载速度
# The initial download delay
AUTOTHROTTLE_START_DELAY = 5
# The maximum download delay to be set in case of high latencies
AUTOTHROTTLE_MAX_DELAY = 60
# The average number of requests Scrapy should be sending in parallel to
# each remote server
AUTOTHROTTLE_TARGET_CONCURRENCY = 1.0
# Enable showing throttling stats for every response received:
AUTOTHROTTLE_DEBUG = False

这里多说一句，个人喜欢设置AUTOTHROTTLE_ENABLED=True这个属性，虽然爬取速度可能会慢一点，但是能减少被反爬虫的几率，（爬取拉钩网的时候不设置这个就会被302）。其次，我们不限制速度爬的辣么快给人家网站整挂了也不好嘛

编写middlewares.py文件：

我们的目标是只访问特定的url使用selenium，所以我们编写一个middleware

童鞋们将代码拷贝到自动生成的middlewares.py文件里面，不要覆盖原有的

import time
from scrapy.http import HtmlResponse

class JSPageMiddleware_for_jp(object):
    def process_request(self, request, spider):
        if request.url.startswith("https://www.jpxgyw.com"):        #特定url才使用selenium下载
            spider.driver.get(request.url)
            time.sleep(1)
            print("currentUrl", spider.driver.current_url)
            return HtmlResponse(url=spider.driver.current_url,body=spider.driver.page_source,encoding="utf-8",request=request)

编写spider文件：

在spiders文件下创建一个jp.py作为我们爬虫的spidier文件

这里我们将selenium.webdriver的初始化工作放到__init__中是为了每次爬取新的网站不用重复打开浏览器，（这招我是跟慕课网的bobby老师学的，老师666，为他打call）

# -*- coding: utf-8 -*-
import re
import scrapy
from scrapy_redis.spiders import RedisSpider
from selenium import webdriver
from scrapy.loader import ItemLoader
from scrapy.xlib.pydispatch import dispatcher
from scrapy import signals

from ScrapyRedisTest.items import JPItem

class JpSpider(RedisSpider):
    name = 'jp'
    allowed_domains = ['www.jpxgyw.com','img.xingganyouwu.com']
    redis_key = 'jp:start_urls'                                             #redis的key值

    custom_settings = {
        "AUTOTHROTTLE_ENABLED": True,                                       #开启自动调节爬取速度的插件

        "DOWNLOADER_MIDDLEWARES": {
            'scrapy.downloadermiddlewares.useragent.UserAgentMiddleware': 1,    #使用scrapy自带的middleware模拟user-agent
            'ScrapyRedisTest.middlewares.JSPageMiddleware_for_jp': 2            #使用自己编写的middleware
        },
        "ITEM_PIPELINES": {
            'scrapy.pipelines.images.ImagesPipeline': 1,                    #使用scrapy自带的middleware下载图片
        }
    }
    
    current_page=0        #控制当前爬取到第几页的类变量
    # max_page=17

    @staticmethod
    def judgeFinalPage(body):   #判断是否已爬取到最后一页
        ma = re.search(r'性感尤物提醒你，访问页面出错了', body)
        return not ma

    def __init__(self,**kwargs):
        #这里我使用了PhantomJS，童鞋可以替换成chromedriver，executable_path为我的电脑存放phantomjs的路径，童鞋自行替换，另外在linux上不用设置executable_path
        self.driver=webdriver.PhantomJS(executable_path="D:\\phantomjs-2.1.1-windows\\bin\\phantomjs.exe")
        super(JpSpider,self).__init__()
        dispatcher.connect(self.spider_closed,signals.spider_closed)
    def spider_closed(self,spider): #当爬虫退出时关闭PhantomJS
        print("spider closed")
        self.driver.quit()

    def parse(self, response):
        if "_" in response.url:                                             #如果start_urls不是从第一页开始爬
            ma_url_num = re.search(r'_(\d+?).html', response.url)           #提取当前数字
            self.current_page=int(ma_url_num.group(1))                      #写到global变量
            self.current_page = self.current_page + 1


            ma_url = re.search(r'(.*)_\d+?.html', response.url)             #提取当前url
            nextUrl=ma_url.group(1)+"_"+str(self.current_page)+".html"      #拼接下一页的url
            print("nextUrl", nextUrl)
        else:                                                               #如果start_urls是从第一页开始爬
            self.current_page=0                                             #重置

            next_page_num=self.current_page+1
            self.current_page=self.current_page+1

            nextUrl=response.url[:-5]+"_"+str(next_page_num)+".html"        #拼接下一页的url
            print("nextUrl",nextUrl)
        ma = re.findall(r'src="/uploadfile(.*?).jpg', bytes.decode(response.body))
        imgUrls=[]                                                          #提取当前页所有图片url放到列表中
        for i in ma:
            imgUrl="http://img.xingganyouwu.com/uploadfile/"+i+".jpg"
            imgUrls.append(imgUrl)
            print("imgUrl",imgUrl)

        item_loader = ItemLoader(item=JPItem(), response=response)
        item_loader.add_value("front_image_url", imgUrls)                   #放到item中
        jp_item = item_loader.load_item()
        yield jp_item                                                       #交给pipline下载图片

        if self.judgeFinalPage(bytes.decode(response.body)):                #如果判断不是最后一页，继续下载
            yield scrapy.Request(nextUrl, callback=self.parse, dont_filter=True)
        else:
            print("最后一页了！")

编写items.py文件：

别忘了在items.py文件中加入下面代码，为scrapy图片下载器指定item

class JPItem(scrapy.Item):
    front_image_url=scrapy.Field()

开始爬：

我是将项目放在自己的阿里云服务器上运行的（因为家里网速太慢。。）

首先要开启    redis-server   和   redis-cli     windows,linux开启方法都很简单，这里偷懒不写了，请自行百度

之后cd 到爬虫根目录下  scrapy crawl jp  开启爬虫，下图显示爬虫正在执行并等待redis中的jp:start_urls

说明爬虫已经正常运行了，我们去redis,lpush一个url

之后我们就可以看到爬虫开始工作了

爬完这个url之后不需要关闭爬虫，因为它一直监听着redis，我们只要看到中意的url，lpush到redis中就可以了

测试效果：稳定爬取321个url，894张图片

ok，剩下的我就不管了，在根目录下的images欣赏图片吧

最后附上一句：此贴重在学习scrapy框架，樯橹灰飞烟灭~

本文标题为：scrapy-redis 分布式爬虫 爬取美女图片

上一篇： 【redis】linux上的安装与配置（详细图解）
下一篇： Redis瑞士军刀:慢查询，Pipeline和发布订阅
猜你喜欢
最新文章
热门文章
基础教程
热门标签
网站首页 HTML/CSS 菜单 Layui Yii2